| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 传统聚类算法 | 第14-15页 |
| 1.2.2 演化聚类 | 第15-17页 |
| 1.2.3 与演化聚类相似的研究问题 | 第17-18页 |
| 1.3 本文的主要内容 | 第18页 |
| 1.4 本文的章节安排 | 第18-21页 |
| 第2章 基于核心节点的演化社区发现算法 | 第21-37页 |
| 2.1 概述 | 第21-22页 |
| 2.2 相关定义 | 第22页 |
| 2.3 相关工作 | 第22-27页 |
| 2.3.0 社区发现算法 | 第22-23页 |
| 2.3.1 Top Leader算法 | 第23-25页 |
| 2.3.2 模块度Q和社区合并算法 | 第25-27页 |
| 2.4 算法框架 | 第27-31页 |
| 2.4.1 获得初始核心节点 | 第28-29页 |
| 2.4.2 分裂社区 | 第29-31页 |
| 2.4.3 EvoLeaders的两个版本 | 第31页 |
| 2.5 实验结果 | 第31-35页 |
| 2.5.1 评价指标和实验设置 | 第31-32页 |
| 2.5.2 Enron邮件数据集 | 第32-33页 |
| 2.5.3 Catalano社会网络 | 第33-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第3章 Top Leaders算法改进和演化社区发现 | 第37-49页 |
| 3.1 概述 | 第37-38页 |
| 3.2 AutoLeaders算法及实验 | 第38-43页 |
| 3.2.1 AutoLeaders算法描述 | 第38-40页 |
| 3.2.2 AutoLeaders算法相关实验 | 第40-43页 |
| 3.2.2.1 数据集 | 第40-41页 |
| 3.2.2.2 评价指标 | 第41-42页 |
| 3.2.2.3 实验结果 | 第42-43页 |
| 3.3 EvoAutoLeaders算法及实验 | 第43-47页 |
| 3.3.1 EvoAutoLeaders算法描述 | 第43-45页 |
| 3.3.2 EvoAutoLeaders算法相关实验 | 第45-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第4章 基于参考点和r-Dominance关系的演化聚类算法 | 第49-63页 |
| 4.1 概述 | 第49-50页 |
| 4.2 背景知识 | 第50-54页 |
| 4.2.1 多目标优化 | 第50-51页 |
| 4.2.2 基于多目标演化算法进行聚类 | 第51-52页 |
| 4.2.3 基于多目标演化算法进行演化数据聚类 | 第52-53页 |
| 4.2.4 基于r-dominance关系的多目标演化算法 | 第53-54页 |
| 4.3 算法描述 | 第54-58页 |
| 4.3.1 染色体表示和算子 | 第54-55页 |
| 4.3.2 两个目标函数 | 第55-56页 |
| 4.3.3 参考点 | 第56-57页 |
| 4.3.4 算法框架描述 | 第57-58页 |
| 4.4 实验 | 第58-61页 |
| 4.4.1 人工数据集 | 第59-60页 |
| 4.4.2 实际数据集 | 第60-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 全文工作总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 读硕士期间发表的学术论文 | 第73-75页 |
| 作者简历 | 第75页 |
